用途：该技能用香农熵（H = −∑ p(x) log₂ p(x)）衡量一个来源或消息的不确定性、意外程度与信息含量，帮助判断“这条信息到底包含多少信息”，并据此校准注意力与更新权重。
主要能力：识别被分析的来源与所问问题；评估概率分布形态（近均匀、尖峰、肥尾、依赖先验）；区分高信息与低信息元素；审计注意力错配（如把可预测输出当信息、忽视高熵意外、忽略基率）；给出按熵校准的加权建议。文中还引入维纳的控制论视角与柯尔莫哥洛夫的算法复杂度，指出低熵来源可压缩、高熵来源不可压缩。
使用方式：按步骤进行——先命名来源与问题并确认框架，再评估分布，识别高信息元素，审计校准，最后给出加权建议。过程中通过 AskUserQuestion 与用户确认框架、信息内容与范围，输出包含熵画像表、高/低信息元素、缺失信号、校准审计与建议加权。
适用场景：分析数据序列、人物、研究领域、传感器、通信渠道或市场等来源，判断哪些消息值得真正关注与更新。
限制：需要足够历史或上下文来估计概率分布；对全新来源精度较低。高熵不等于高价值，意外输出可能是噪声，需配合信号/噪声分析；缺失事实（如具体收费、平台支持）暂未提供。